metadata

language:
  - en
license: apache-2.0
library_name: sentence-transformers
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:2720
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
base_model: bkai-foundation-models/vietnamese-bi-encoder
datasets: []
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
widget:
  - source_sentence: >-
      "Các nhà thầu đạt giải thưởng về chất lượng công trình xây dựng quy định
      tại khoản 1 Điều này được xem xét ưu tiên khi tham gia đấu thầu trong hoạt
      động xây dựng theo quy định của pháp luật về đấu thầu."
    sentences:
      - >-
        Các nhà thầu đạt giải thưởng về chất lượng công trình xây dựng có được
        ưu tiên khi tham gia đấu thầu không?
      - >-
        Bộ Công Thương có trách nhiệm gì trong hoạt động kinh doanh vận tải bằng
        xe ô tô?
      - >-
        Mức phạt khi không thực hiện các biện pháp bảo đảm an toàn, an ninh
        trong cung ứng dịch vụ bưu chính được quy định như thế nào?
  - source_sentence: >-
      Bản sao điện tử được cấp từ sổ gốc có giá trị sử dụng thay cho bản chính
      trong các giao dịch, trừ trường hợp pháp luật có quy định khác.
    sentences:
      - Nội dung về quản lý trật tự xây dựng được quy định như thế nào?
      - >-
        Bản sao điện tử được cấp từ sổ gốc có giá trị sử dụng thay cho bản chính
        không?
      - >-
        Cơ sở dữ liệu về vụ việc, vướng mắc pháp lý dùng để tư vấn cho DN nhỏ và
        vừa bao gồm những gì?
  - source_sentence: >-
      Loài cây sinh trưởng chậm là những loài cây đạt lượng tăng trưởng đường
      kính bình quân hàng năm dưới 02 cm/năm hoặc năng suất bình quân trong một
      chu kỳ kinh doanh dưới 10 m3/ha/năm.
    sentences:
      - >-
        Quy định việc thực hiện báo cáo dữ liệu trên Hệ thống cơ sở dữ liệu
        ngành về các cơ sở giáo dục được quy định như thế nào?
      - Thế nào là loài cây sinh trưởng chậm?
      - >-
        Hàng hóa thuộc doanh mục cấm kinh doanh có được quá cảnh tại Việt Nam
        không?
  - source_sentence: >-
      Chính phủ có nhiệm vụ, quyền hạn sau đây: a) Thống nhất quản lý nhà nước
      về đầu tư theo phương thức PPP; b) Ban hành theo thẩm quyền hoặc trình cấp
      có thẩm quyền ban hành văn bản quy phạm pháp luật về đầu tư theo phương
      thức PPP; c) Tổ chức kiểm tra, thanh tra việc thực hiện đầu tư theo phương
      thức PPP.
    sentences:
      - >-
        Chính phủ có nhiệm vụ, quyền hạn thế nào trong đầu tư theo phương thức
        PPP?
      - >-
        Để được cấp Giấy chứng nhận khả năng chuyên môn cho công dân Việt Nam đã
        có Giấy chứng nhận ở nước ngoài phải đáp ứng điều kiện nào?
      - >-
        Hội đồng thành viên có phải cơ quan quyết định cao nhất của công ty TNHH
        hai thành viên?
  - source_sentence: >-
      Đối với các danh hiệu thi đua, hình thức khen thưởng cấp nhà nước, khi
      nhận được quyết định khen thưởng, thủ trưởng các đơn vị lập kế hoạch tổ
      chức đón nhận, trình Lãnh đạo Bộ cho ý kiến chỉ đạo thực hiện. Khi có ý
      kiến của Lãnh đạo Bộ phối hợp với Thường trực Hội đồng Bộ tổ chức công bố,
      trao tặng. Lễ trao tặng cần trang trọng, nên kết hợp với dịp Hội nghị tổng
      kết công tác, kỷ niệm ngày thành lập đơn vị hoặc lồng ghép với các nội
      dung khác để tiết kiệm thời gian và chi phí.
    sentences:
      - >-
        Xử phạt bao nhiêu nếu nhân viên phục vụ xe du lịch không hỗ trợ, giúp đỡ
        hành khách là người khuyết tật?
      - >-
        Tổ chức trao tặng danh hiệu thi đua ngành lao động thương binh và xã hội
        được quy định như thế nào?
      - >-
        Thẩm quyền cấp Giấy chứng nhận cơ sở đủ điều kiện sản xuất thức ăn thủy
        sản  được quy định như thế nào?
pipeline_tag: sentence-similarity
model-index:
  - name: Legal vietnamese-bi-encoder
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.693069306930693
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.8283828382838284
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.8415841584158416
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.8745874587458746
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.693069306930693
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.2761276127612761
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.1683168316831683
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.08745874587458745
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.693069306930693
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.8283828382838284
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.8415841584158416
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.8745874587458746
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.7873681442707228
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.7590510241500343
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.7617456503808884
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.6765676567656765
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.8151815181518152
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.8382838283828383
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.8745874587458746
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.6765676567656765
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.27172717271727165
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.16765676567656762
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.08745874587458745
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.6765676567656765
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.8151815181518152
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.8382838283828383
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.8745874587458746
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.7807787818918538
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.7501322751322752
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.7530162925745885
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.6633663366336634
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.8217821782178217
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.8382838283828383
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.8745874587458746
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.6633663366336634
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.2739273927392739
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.16765676567656762
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.08745874587458745
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.6633663366336634
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.8217821782178217
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.8382838283828383
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.8745874587458746
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.7736765054421313
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.7406804966210907
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.7436021604070286
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.6237623762376238
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.7920792079207921
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.8118811881188119
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.8679867986798679
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.6237623762376238
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.264026402640264
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.16237623762376235
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.08679867986798678
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.6237623762376238
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.7920792079207921
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.8118811881188119
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.8679867986798679
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.7505326804622336
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.7124613651841374
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.7157968822778131
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.6204620462046204
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.7425742574257426
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.7920792079207921
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.8382838283828383
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.6204620462046204
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.24752475247524747
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.15841584158415842
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.08382838283828381
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.6204620462046204
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.7425742574257426
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.7920792079207921
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.8382838283828383
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.7262125815869204
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.6904905966787156
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.6945163770726217
            name: Cosine Map@100

Legal vietnamese-bi-encoder

This is a sentence-transformers model finetuned from bkai-foundation-models/vietnamese-bi-encoder. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: bkai-foundation-models/vietnamese-bi-encoder
Maximum Sequence Length: 256 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity
Language: en
License: apache-2.0

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("ictumuk/legal-vietnamese-bi-encoder")
# Run inference
sentences = [
    'Đối với các danh hiệu thi đua, hình thức khen thưởng cấp nhà nước, khi nhận được quyết định khen thưởng, thủ trưởng các đơn vị lập kế hoạch tổ chức đón nhận, trình Lãnh đạo Bộ cho ý kiến chỉ đạo thực hiện. Khi có ý kiến của Lãnh đạo Bộ phối hợp với Thường trực Hội đồng Bộ tổ chức công bố, trao tặng. Lễ trao tặng cần trang trọng, nên kết hợp với dịp Hội nghị tổng kết công tác, kỷ niệm ngày thành lập đơn vị hoặc lồng ghép với các nội dung khác để tiết kiệm thời gian và chi phí.',
    'Tổ chức trao tặng danh hiệu thi đua ngành lao động thương binh và xã hội được quy định như thế nào?',
    'Xử phạt bao nhiêu nếu nhân viên phục vụ xe du lịch không hỗ trợ, giúp đỡ hành khách là người khuyết tật?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

Dataset: dim_768
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.6931
cosine_accuracy@3	0.8284
cosine_accuracy@5	0.8416
cosine_accuracy@10	0.8746
cosine_precision@1	0.6931
cosine_precision@3	0.2761
cosine_precision@5	0.1683
cosine_precision@10	0.0875
cosine_recall@1	0.6931
cosine_recall@3	0.8284
cosine_recall@5	0.8416
cosine_recall@10	0.8746
cosine_ndcg@10	0.7874
cosine_mrr@10	0.7591
cosine_map@100	0.7617

Information Retrieval

Dataset: dim_512
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.6766
cosine_accuracy@3	0.8152
cosine_accuracy@5	0.8383
cosine_accuracy@10	0.8746
cosine_precision@1	0.6766
cosine_precision@3	0.2717
cosine_precision@5	0.1677
cosine_precision@10	0.0875
cosine_recall@1	0.6766
cosine_recall@3	0.8152
cosine_recall@5	0.8383
cosine_recall@10	0.8746
cosine_ndcg@10	0.7808
cosine_mrr@10	0.7501
cosine_map@100	0.753

Information Retrieval

Dataset: dim_256
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.6634
cosine_accuracy@3	0.8218
cosine_accuracy@5	0.8383
cosine_accuracy@10	0.8746
cosine_precision@1	0.6634
cosine_precision@3	0.2739
cosine_precision@5	0.1677
cosine_precision@10	0.0875
cosine_recall@1	0.6634
cosine_recall@3	0.8218
cosine_recall@5	0.8383
cosine_recall@10	0.8746
cosine_ndcg@10	0.7737
cosine_mrr@10	0.7407
cosine_map@100	0.7436

Information Retrieval

Dataset: dim_128
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.6238
cosine_accuracy@3	0.7921
cosine_accuracy@5	0.8119
cosine_accuracy@10	0.868
cosine_precision@1	0.6238
cosine_precision@3	0.264
cosine_precision@5	0.1624
cosine_precision@10	0.0868
cosine_recall@1	0.6238
cosine_recall@3	0.7921
cosine_recall@5	0.8119
cosine_recall@10	0.868
cosine_ndcg@10	0.7505
cosine_mrr@10	0.7125
cosine_map@100	0.7158

Information Retrieval

Dataset: dim_64
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.6205
cosine_accuracy@3	0.7426
cosine_accuracy@5	0.7921
cosine_accuracy@10	0.8383
cosine_precision@1	0.6205
cosine_precision@3	0.2475
cosine_precision@5	0.1584
cosine_precision@10	0.0838
cosine_recall@1	0.6205
cosine_recall@3	0.7426
cosine_recall@5	0.7921
cosine_recall@10	0.8383
cosine_ndcg@10	0.7262
cosine_mrr@10	0.6905
cosine_map@100	0.6945

Training Details

Training Dataset

Unnamed Dataset

Size: 2,720 training samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 4 tokens
mean: 76.83 tokens
max: 256 tokens

min: 6 tokens
mean: 24.09 tokens
max: 70 tokens

	positive	anchor
type	string	string
details	min: 4 tokens mean: 76.83 tokens max: 256 tokens	min: 6 tokens mean: 24.09 tokens max: 70 tokens

Samples:

positive	anchor
`Việc tổ chức sát hạch theo định kỳ 06 tháng một lần hoặc đột xuất theo yêu cầu thực tế tại các địa điểm tổ chức sát hạch đủ điều kiện theo quy định.`	`Thi sát hạch cấp CCHN kiến trúc được tổ chức vào thời gian nào?`
Bộ Nông nghiệp và Phát triển nông thôn chủ trì, phối hợp với các Bộ, ngành có liên quan khẩn trương nghiên cứu trình Thủ tướng Chính phủ ban hành chính sách đối với công chức kiểm lâm. Tiếp tục đầu tư cho lực lượng kiểm lâm thông qua các dự án đào tạo nâng cao năng lực; đầu tư bảo vệ rừng và phòng cháy chữa cháy rừng; tăng cường trang bị vũ khí quân dụng và công cụ hỗ trợ cho kiểm lâm. Giai đoạn 2011 - 2015 đào tạo chuyên môn, nghiệp vụ cho khoảng 8.000 lượt người thuộc lực lượng bảo vệ rừng cơ sở và lực lượng kiểm lâm; đầu tư phương tiện, trang thiết bị phục vụ công tác phòng cháy, chữa cháy rừng và bảo vệ rừng (khoảng 1.000 tỷ đồng).	`Chính sách nâng cao năng lực, hiệu quả hoạt động đối với lực lượng Kiểm lâm được quy định như thế nào?`
`Phạt tiền từ 1.000.000 đồng đến 3.000.000 đồng.`	`Công chứng viên không giao giấy nhận lưu giữ cho người lập di chúc khi nhận lưu giữ di chúc phạt bao nhiêu?`

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        512,
        256,
        128,
        64
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Evaluation Dataset

Unnamed Dataset

Size: 303 evaluation samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 7 tokens
mean: 77.55 tokens
max: 256 tokens

min: 9 tokens
mean: 24.21 tokens
max: 54 tokens

	positive	anchor
type	string	string
details	min: 7 tokens mean: 77.55 tokens max: 256 tokens	min: 9 tokens mean: 24.21 tokens max: 54 tokens

Samples:

positive	anchor
`Hồ sơ cấp lại Thẻ công chứng viên gồm các giấy tờ sau đây: a) Giấy đề nghị cấp lại Thẻ công chứng viên (Mẫu TP-CC-07); b) 01 ảnh chân dung cỡ 2cm x 3cm (ảnh chụp không quá 06 tháng trước ngày nộp hồ sơ); c) Thẻ công chứng viên đang sử dụng (trong trường hợp Thẻ bị hỏng).`	`Hồ sơ cấp lại Thẻ công chứng viên gồm những giấy tờ gì?`
`"Tổ chức tôn giáo phải có tên bằng tiếng Việt."`	`Tổ chức tôn giáo có được sử dụng tên tiếng anh?`
Mức độ bảo đảm khi đăng nhập tài khoản thực hiện thủ tục hành chính trên môi trường điện tử được quy định như sau: a) Mức độ bảo đảm của danh tính điện tử của tổ chức, cá nhân được dùng để đăng nhập dựa trên xác minh được các thông tin của danh tính điện tử do tổ chức, cá nhân cung cấp là chính xác thông qua việc so sánh, đối chiếu tự động với các thông tin, dữ liệu hệ thống đang quản lý hoặc được kết nối, chia sẻ; hoặc so sánh với các bằng chứng mà tổ chức, cá nhân đó cung cấp trực tiếp; b) Mức độ bảo đảm xác thực người dùng khi đăng nhập tài khoản dựa trên ít nhất một yếu tố xác thực của tổ chức, cá nhân. Mức độ bảo đảm xác thực người dùng khi thực hiện thủ tục hành chính do cơ quan, tổ chức xây dựng, cung cấp dịch vụ công trực tuyến xác định. Trường hợp mức độ bảo đảm xác thực khi thực hiện thủ tục hành chính yêu cầu cao hơn so với mức độ khi đăng nhập, tổ chức, cá nhân bổ sung giải pháp xác thực theo hướng dẫn cụ thể của cơ quan cung cấp thủ tục hành chính tại Cổng dịch vụ công quốc gia hoặc Cổng dịch vụ công cấp bộ, cấp tỉnh.	`Mức độ bảo đảm khi đăng nhập tài khoản thực hiện thủ tục hành chính trên môi trường điện tử được quy định như thế nào?`

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        512,
        256,
        128,
        64
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
gradient_accumulation_steps: 16
learning_rate: 2e-05
num_train_epochs: 25
lr_scheduler_type: cosine
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
optim: adamw_torch_fused
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 16
eval_accumulation_steps: None
learning_rate: 2e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 25
max_steps: -1
lr_scheduler_type: cosine
lr_scheduler_kwargs: {}
warmup_ratio: 0.1
warmup_steps: 0
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
save_safetensors: True
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
no_cuda: False
use_cpu: False
use_mps_device: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: False
fp16: True
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: True
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch_fused
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: False
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
dispatch_batches: None
split_batches: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	loss	dim_128_cosine_map@100	dim_256_cosine_map@100	dim_512_cosine_map@100	dim_64_cosine_map@100	dim_768_cosine_map@100
0.9412	10	2.0053	1.3422	0.6805	0.6979	0.7146	0.6315	0.7193
1.8824	20	1.3864	-	-	-	-	-	-
1.9765	21	-	0.9838	0.6810	0.7072	0.7361	0.6481	0.7497
2.8235	30	0.9121	-	-	-	-	-	-
2.9176	31	-	0.8075	0.6928	0.7228	0.7385	0.6565	0.7449
3.7647	40	0.5327	-	-	-	-	-	-
3.9529	42	-	0.7225	0.7061	0.7330	0.7497	0.6707	0.7543
4.7059	50	0.3222	-	-	-	-	-	-
4.9882	53	-	0.6622	0.7039	0.7309	0.7473	0.6697	0.7509
5.6471	60	0.2505	-	-	-	-	-	-
5.9294	63	-	0.6895	0.7049	0.7381	0.7518	0.6757	0.7598
6.5882	70	0.1677	-	-	-	-	-	-
6.9647	74	-	0.6428	0.7167	0.7431	0.7535	0.6823	0.7575
7.5294	80	0.122	-	-	-	-	-	-
8.0	85	-	0.6084	0.7039	0.7392	0.7478	0.6762	0.7573
8.4706	90	0.0956	-	-	-	-	-	-
8.9412	95	-	0.6338	0.7079	0.7428	0.7515	0.6840	0.7591
9.4118	100	0.0748	-	-	-	-	-	-
9.9765	106	-	0.6446	0.7128	0.7429	0.7477	0.6834	0.7582
10.3529	110	0.0582	-	-	-	-	-	-
10.9176	116	-	0.6115	0.7095	0.7375	0.7467	0.6850	0.7567
11.2941	120	0.0509	-	-	-	-	-	-
11.9529	127	-	0.6557	0.7091	0.7433	0.7474	0.6803	0.7552
12.2353	130	0.0446	-	-	-	-	-	-
12.9882	138	-	0.6356	0.7130	0.7430	0.7530	0.6867	0.7562
13.1765	140	0.0356	-	-	-	-	-	-
13.9294	148	-	0.6487	0.7079	0.7380	0.7466	0.6868	0.7531
14.1176	150	0.0308	-	-	-	-	-	-
14.9647	159	-	0.6595	0.7102	0.7384	0.7494	0.6885	0.7566
15.0588	160	0.0301	-	-	-	-	-	-
16.0	170	0.0279	0.6594	0.7170	0.7434	0.7532	0.6924	0.7617
16.9412	180	0.0202	0.7014	0.7138	0.7438	0.7557	0.6902	0.7601
17.8824	190	0.0197	-	-	-	-	-	-
17.9765	191	-	0.7127	0.7124	0.7417	0.7518	0.6893	0.7594
18.8235	200	0.0157	-	-	-	-	-	-
18.9176	201	-	0.7047	0.7127	0.7423	0.7521	0.6914	0.7611
19.7647	210	0.0157	-	-	-	-	-	-
19.9529	212	-	0.6954	0.7160	0.7437	0.7534	0.6931	0.7610
20.7059	220	0.0133	-	-	-	-	-	-
20.9882	223	-	0.6913	0.7170	0.7438	0.7533	0.6945	0.7619
21.6471	230	0.0157	-	-	-	-	-	-
21.9294	233	-	0.6902	0.7158	0.7436	0.7530	0.6943	0.7618
22.5882	240	0.016	-	-	-	-	-	-
22.9647	244	-	0.6900	0.7156	0.7434	0.7528	0.6943	0.7615
23.5294	250	0.0159	0.6901	0.7158	0.7436	0.7530	0.6945	0.7617

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.13
Sentence Transformers: 3.0.1
Transformers: 4.41.2
PyTorch: 2.1.2
Accelerate: 0.30.1
Datasets: 2.19.2
Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning}, 
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply}, 
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}